基于GA-LSSVR模型的路网短时交通流预测研究

被引：46

作者：

陈小波 ^{[1
]}

刘祥 ^{[2
]}

韦中杰 ^{[2
]}

梁军 ^{[1
]}

蔡英凤 ^{[1
]}

陈龙 ^{[2
]}

机构：

[1] 江苏大学汽车工程研究院

[2] 江苏大学汽车与交通工程学院

来源：

交通运输系统工程与信息 | 2017年 / 17卷 / 01期

基金：

中国博士后科学基金;

关键词：

智能交通; 变量选择; 稀疏混合遗传算法; 短时交通流预测; 最小二乘支持向量回归;

D O I：

10.16097/j.cnki.1009-6744.2017.01.010

中图分类号：

U491.14 [];

学科分类号：

摘要：

目前,很多短时交通流预测方法仅利用某一路段历史数据的时间相关性或者道路上下游路段的时空相关性进行交通流预测,未充分考虑路网所有路段之间的时空相关性.提出了一种基于稀疏混合遗传算法优化的最小二乘支持向量回归(LSSVR)模型,并应用于路网短时交通流预测.该预测模型不仅可以自动优化LSSVR模型参数,而且可以从高维路网交通流数据中选择有助于交通流预测的变量子集.实验结果表明,与LSSVR模型相比,所提方法具有更好的预测能力;而且,少量时空变量被选择出来构建预测模型,极大减少了信息冗余,改进了模型可解释性.

引用

页码：60 / 66+81 +81

页数：8

共 6 条

[1]

A flexible support vector machine for regression.[J].Xiaobo Chen;Jian Yang;Jun Liang.Neural Computing and Applications.2012, 8

[2]

Real-time road traffic prediction with spatio-temporal correlations.[J].Wanli Min;Laura Wynter.Transportation Research Part C.2010, 4

[3]

交通信息智能预测理论与方法.[M].许伦辉; 傅惠; 著.科学出版社.2008,

[4]

高斯过程回归短时交通流预测方法 [J].